一种基于BPR-STNet的跨被试游戏玩家专业水平分类方法

一种基于bpr-stnet的跨被试游戏玩家专业水平分类方法
技术领域：
：1.本发明属于生物特征识别
技术领域：
：，具体涉及一种基于bpr-stnet(基于时空特征的大脑模式识别网络)的跨被试游戏玩家专业水平分类方法。
背景技术：
：：2.电子游戏已经成为人类社会中不可或缺的一部分。近年来，人们提出了不同的方法来评估人类对电子游戏的认知方面。由于eeg信号具有较高时间分辨率，被认为是最实用的非侵入式动态大脑监测方法。研究表明，电子游戏训练可以增强老年人的认知功能控制能力。此外，eeg信号也被用于研究游戏玩家体验，并发现在不同强度事件之间eeg信号具有显著差异。不同专业水平的游戏玩家在完成同一游戏任务时，认知负荷强度不同。因此，通过eeg信号不仅可以对游戏玩家专业水平进行分类，还能同时评估认知功能。然而，不同玩家的脑电图信号可能由于肌肉活动、自身的认知活动和个体差异性干扰等因素导致不同。识别不同专业水平游戏玩家的大脑共同模式仍是一项极具挑战的任务。3.eeg信号通常可以提取出五个频段，分别是δ，θ，α，β，γ。在过去的研究中，这五个频段已经被证明可以反映大脑的认知状态。garcía-monge等人通过采集不同目标的投掷游戏过程的eeg信号，分析发现不同投掷目标游戏在high-beta具有明显差异。filho等人采集了12名游戏玩家的射击任务训练前后的eeg信号，并对其进行分析，结果表明训练后的大脑注意力负荷与游戏表现水平具有较高的负相关性。cross-villasana等人研究发现，在动态视觉空间游戏任务中，θ和α频段与表现呈负相关。在同一任务下，受试者的频段具有不同的趋势和分布。因此，eeg频段数据可以用来检测大脑的认知状态。4.随着机器学习的发展，研究者也将机器学习应用到研究游戏玩家专业水平分类任务。anwar等人对提取到的五个频段值输入到机器学习模型中进行游戏玩家专业水平分类研究，同时研究了eeg通道间的相关性。tehmina等人也基于eeg信号的频域特征来对游戏玩家专业水平进行机器学习分类研究。他们发现基于通道相关系数选择的af3和p7通道对游戏玩家专业水平分类效果最好。由于不同频段所涉及到的认知功能不同，对分类结果的贡献度也不同，因此我们需要探索不同频段对游戏玩家专业水平分类的贡献。5.尽管上述研究取得了一定的进展，但过于依赖先验知识，并且无法学习或解释具有生物学意义的模式或特征。解释模型从eeg信号中所学习到的特征对探索大脑神经机制具有重要意义。近年来，一些研究开始使用可解释技术呈现模型从eeg信号中学习到的特征。lawhern等人将卷积核权重可视化、汇总隐藏单元激活的平均输出和计算分类决策的单个试验特征相关性来解释模型分类。cui等人提出了一种基于classactivationmapping(cam)改进的可解释cnn网络来呈现模型所学习到的特征。6.总之，上述方法虽然取得了较好的效果，但我们认为这些方法存在一定的不足:1)没有分频段对游戏玩家专业水平进行研究。2)采用的机器学习方法过于依赖先验知识。3)这些方法没有探索大脑共同模式或特征。技术实现要素：7.针对现有技术中的上述不足，本发明提供的基于bpr-stnet的跨被试游戏玩家专业水平分类方法解决了现有方法的上述问题。8.为了达到上述发明目的，本发明采用的技术方案为：一种基于bpr-stnet的跨被试游戏玩家专业水平分类方法，其特征在于，包括以下步骤：9.s1、获取游戏玩家的eeg信号原始数据，并对其进行预处理，构建eeg信号序列；10.s2、利用训练好的基于bpr-stnet的专业水平分类模型对eeg信号序列进行处理，识别游戏玩家专业水平；11.s3、基于游戏玩家专业水平，提取对应的关键特征并结合eeg信号序列，确定游戏玩家不同脑区贡献度的脑地形图，实现跨被试游戏玩家专业水平分类。12.进一步地，所述步骤s1具体为：13.s11、对eeg信号原始数据依次进行滤波和去伪影处理；14.s12、对去伪影后的数据采用快速傅里叶变换进行时频分析，提取五个频带的功率谱特征值，并构建eeg信号序列；15.其中，五个频带包括δ频带、θ频带、α频带、β频带和γ频带。16.进一步地，所述步骤s2中，基于bpr-stnet的专业水平分类模型包括依次连接的卷积层、平均池化层、第一残差块、第二残差块、第三残差块、第四残差块、全局平均池化层以及全连接层；17.其中，所述平均池化层和第一残差块、第二残差块和第三残差块以及第四残差块和全局平均池化层之间分别设置有第一累加器、第二累加器和第三累加器，所述第一累加器的输出端还与第二残差块的输出端连接，所述第二累加器的输出端还与所述第三累加器的输入端连接。18.进一步地，所述第一～第四残差块结构相同，均包括第一逐通道卷积、第一逐点卷积、第二逐通道卷积和第二逐点卷积；19.其中，所述第一逐通道卷积和第二逐通道卷积均采用cint个3*3卷积核提取单个通道上的数据特征并生成对应通道的特征图，所述第一逐点卷积和第二逐点卷积采用cint*cout个1*1卷积核提取cint个通道的数据特征，生成cout个特征图；其中，cint为输入通道数量，cout为输出通道数量。20.进一步地，所述卷积层使用32个3*3的卷积核将输入的eeg信号序列转换为32个通道对生成同样长度的eeg信号，并通过平均池化层将输入eeg信号长度减半；21.所述平均池化层的输出表示为：[0022][0023]式中，avgpool(·)表示平均池化操作，xk,j为第k个通道的第j个采样点，表示第i个卷积节点的偏置，为卷积层的卷积核权重参数，下标i为卷积节点计数值，下标k为当卷积核所在通道的计数值，m为eeg通道最大数量，m＝31，n1为卷积节点数，即n1＝32。[0024]进一步地，所述第一～第四残差块的输出表示为：[0025][0026]式中，为第t层结构的第k个通道的输出，f(·)为深度可分离卷积，h(t-1)为第t-1层结构的输出，w为权重，t为专业水平分类模型的结构层数计数值，t＝2,3,4,5对应第一～第四残差块。[0027]进一步地，所述全局平均池化层的输出为：[0028][0029]式中，为全局平均池化层第k个通道的输出，h(5)为第四残差块的输出，n为输入数据的长度。[0030]进一步地，所述全连接层包含线性层和softmax层；[0031]所述全连接层的输出为：[0032][0033]式中，为该线性层中专业水平类别为c时第i个卷积节点时的权重，为偏置，softmax(·)为softmax激活函数，其中，下标c为专业水平类别，当c＝0时表示为业余爱好者，当c＝1时表示为专业玩家。[0034]进一步地，所述步骤s3中，利用特征可解释网络提取游戏玩家专业水平对应的关键特征，所述特征可解释网络的解释目标为所述第四残差块中的最后一个卷积层；[0035]所述特征可解释网络提取关键特征的公式：[0036][0037]式中，lc为专业水平类别对应的关键特征，relu(·)为relu激活函数，ak表示目标层a中第k个通道的数据，为ak的权重，为目标层中第k个通道中(i,j)处的采样点数据；其中，yc表示没有经过softmax激活函数对专业水平类别c的预测分数，z表示目标层a的高度与宽度的乘积。[0038]进一步地，所述步骤s3中，游戏玩家不同脑区贡献度的脑地形图rc为：[0039]rc＝∑lcx[0040]式中，x为游戏玩家的eeg信号序列。[0041]本发明的有益效果为：[0042](1)本发明提供了一种新的卷积神经网络模型(bpr-stnet)，用于发现同类水平不同受试者的共同大脑模式和特征，该模型结构紧凑，采用深度可分离卷积对eeg频带信息提取时空特征。[0043](2)本发明中通过模型消融实验、频段对比实验、模型对比实验和可解释技术，验证了该模型在跨被试分类效果。实验结果表明该模型的跨被试准确率优于现有深度学习方法。[0044](3)本发明中的可解释实验结果表明该模型已经学习到具有生物学意义的特征，如专业水平游戏玩家的大脑活动对模型决策影响最大的区域是顶叶区和颞叶区，在γ频段中顶叶区和颞叶区的贡献度高，以及外围eeg通道γ频段功率值较高，进而可以基于该模型实现游戏专业水平分类准确率较高的效果。附图说明[0045]图1为本发明提供的基于bpr-stnet的跨被试游戏玩家专业水平分类方法流程图。[0046]图2为本发明提供的基于bpr-stnet的专业水平分类模型结构示意图。[0047]图3为本发明提供的专业玩家样本γ频段样本上权重的可视化；(a)subjectid；(b)真实标签；(c)模型对专业玩家的概率。[0048]图4为本发明提供的业余玩家样本数据；(a)subjectid；(b)真实标签；(c)模型对业余玩家的概率。[0049]图5为本发明提供的从分类错误的专业玩家样本所学习到的权重和模式可视化示意图。[0050]图6为本发明提供的从分类错误的业余玩家样本所学习到的权重和模式可视化示意图。具体实施方式[0051]下面对本发明的具体实施方式进行描述，以便于本
技术领域：
：的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本
技术领域：
：的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。[0052]本发明实施例提供了一种基于bpr-stnet的跨被试游戏玩家专业水平分类方法，如图1所示，包括以下步骤：[0053]s1、获取游戏玩家的eeg信号原始数据，并对其进行预处理，构建eeg信号序列；[0054]s2、利用训练好的基于bpr-stnet的专业水平分类模型对eeg信号序列进行处理，识别游戏玩家专业水平；[0055]s3、基于游戏玩家专业水平，提取对应的关键特征并结合eeg信号序列，确定游戏玩家不同脑区贡献度的脑地形图，实现跨被试游戏玩家专业水平分类。[0056]在本发明实施例的步骤s1具体为：[0057]s11、对eeg信号原始数据依次进行滤波和去伪影处理；[0058]s12、对去伪影后的数据采用快速傅里叶变换进行时频分析，提取五个频带的功率谱特征值，并构建eeg信号序列；[0059]其中，五个频带包括δ频带、θ频带、α频带、β频带和γ频带。[0060]在本发明实施例中，eeg信号原始数据一般含有噪音和伪影，为了得到干净的数据，需要对原始数据线进行滤波操作，接着进行去除伪影操作；具体地，在s11中，首先采用有限冲激响应(fir)对原始数据进行滤波，带通滤波器截止频率为1-60hz，凹陷滤波器截止频率为49-51hz。接着采用伪迹子空间重建方法(asr)对滤波后的数据去除伪影。[0061]在本实施例的步骤s12中，功率谱密度(psd)表示eeg信号在特定频率上的功率分布，将去除伪影后的数据以5s的长度划分为若干个数据段。采用快速傅里叶变换对其进行时频分析。其中，快速傅里叶变换公式如下：[0062][0063]式中，x(n)表示时域信号序列，x(k)表示频域信号序列，n表示时域信号样本个数，k表示频域信号下标。对于每个特定频段的功率，采用以下公式对经过快速傅里叶变换的复数进行计算；[0064][0065]式中，ypower表示提取的频段功率，y表示快速傅里叶变换结果，t表示时间窗长度。从每个通道提取的频段特征包括：δ(1-4hz)，θ(4-8hz)，α(8-12.5hz)，β(12.5-30hz)，γ(30-60hz)。其中，δ与慢波睡眠和深度睡眠有关；θ与困倦有关；α体现在闭眼休息的情况下；β体现在精神紧张、注意力集中的时候；γ体现在兴奋的时候。[0066]在本发明实施例的步骤s2中，如图2所示，基于bpr-stnet的专业水平分类模型包括依次连接的卷积层、平均池化层、第一残差块、第二残差块、第三残差块、第四残差块、全局平均池化层以及全连接层；[0067]其中，所述平均池化层和第一残差块、第二残差块和第三残差块以及第四残差块和全局平均池化层之间分别设置有第一累加器、第二累加器和第三累加器，所述第一累加器的输出端还与第二残差块的输出端连接，所述第二累加器的输出端还与所述第三累加器的输入端连接。[0068]在本实施例中，对于图2中的网络结构，均使用batchnormalization和activation函数对每层网络输出结果进行处理。由于每个样本时间长度不同，在输入网络前我们随机截取了每个样本相同长度的连续数据。[0069]在本实施例中，处理eeg信号序列类似于深度可分离卷积的概念，深度可分离卷积层主要分为逐通道卷积和逐点卷积，在图2中，第一～第四残差块结构相同，均包括第一逐通道卷积、第一逐点卷积、第二逐通道卷积和第二逐点卷积；其中的逐通道卷积和逐点卷积分别独立学习eeg信号序列中的空间信息(即不同eeg通道的位置信息)和时间信息，其中，所述第一逐通道卷积和第二逐通道卷积均采用cint个3*3卷积核提取单个通道上的数据特征并生成对应通道的特征图，所述第一逐点卷积和第二逐点卷积采用cint*cout个1*1卷积核提取cint个通道的数据特征，生成cout个特征图；其中，cint为输入通道数量，cout为输出通道数量。[0070]在本实施例中，卷积层使用32个3*3的卷积核将输入的eeg信号序列转换为32个通道对生成同样长度的eeg信号，并通过平均池化层将输入eeg信号长度减半；其中，平均池化层的输出表示为：[0071][0072]所述平均池化层的输出表示为：[0073][0074]式中，avgpool(·)表示平均池化操作，xk,j为第k个通道的第j个采样点，表示第i个卷积节点的偏置，为卷积层的卷积核权重参数，下标i为卷积节点计数值，下标k为当卷积核所在通道的计数值，m为eeg通道最大数量，m＝31，n1为卷积节点数，即n1＝32。[0075]本实施例中的第一～第四残差块的输出表示为：[0076][0077]式中，为第t层结构的第k个通道的输出，f(·)为深度可分离卷积，h(t-1)为第t-1层结构的输出，w为权重，t为专业水平分类模型的结构层数计数值，t＝2,3,4,5对应第一～第四残差块。[0078]在本实施例中为了简化表述，将卷积层和平均池化层统一为专业水平分类模型的第一层结构，对应的第一～第四残差块为其第二～五层结构，全局平均池化层为第六层结构，以及全连接层为第七层结构。[0079]在本实施例中，残差块中点卷积的作用是自适应残差模块内的通道数改变。我们选择不对这部分的通道数进行修改，使用深度可分离卷积层提取特征。对于第一～第二残差块，我们选择不对这部分的通道数进行修改，使用深度可分离卷积层提取特征；对于第三～第四残差块，其网络结构与前两层残差块相同，并第三残差块的输出通道扩大为2*n1，同时将步长设为2，目的是为了扩大网络对时空间信号特征的提取，对于第四残差块，保持输入输出通道数不变。具体地，第1、2、3残差块的cint＝32；第4残差块的cint＝64；第1、2残差块的cout＝32，第3、4残差块为cout＝64。[0080]在本实施例中使用全局平均池化层代替全连接层，相比于全连接层，全局平均池化层可以有效防止过拟合；基于此，全局平均池化层的输出为：[0081][0082]式中，为全局平均池化层第k个通道的输出，h(5)为第四残差块的输出，n为输入数据的长度。[0083]在本实施例中，全连接层包含线性层和softmax层；[0084]所述全连接层的输出为：[0085][0086]式中，为该线性层中专业水平类别为c时第i个卷积节点时的权重，为偏置，softmax(·)为softmax激活函数，其中，下标c为专业水平类别，当c＝0时表示为业余爱好者，当c＝1时表示为专业玩家。[0087]在本发明实施例中，对于专业水平分类模型，更深的层数代表更高的抽象程度和更丰富的语意信息，因此，本实施例中利用特征可解释网络提取游戏玩家专业水平对应的关键特征，所述特征可解释网络的解释目标为所述第四残差块中的最后一个卷积层；[0088]所述特征可解释网络提取关键特征的公式：[0089][0090]式中，lc为专业水平类别对应的关键特征，relu(·)为relu激活函数，ak表示目标层a中第k个通道的数据，为ak的权重，为目标层中第k个通道中(i,j)处的采样点数据；其中，yc表示没有经过softmax激活函数对专业水平类别c的预测分数，z表示目标层a的高度与宽度的乘积。[0091]在本实施例中，特征可解释网络采用grad-cam，对于grad-cam，我们首先通过网络对原始频段信息进行特征提取，得到目标层a。由于目标层a包含的信息与其对应类别我们并不清楚，所以对类别c的预测值lc进行反向传播计算，得到反传回特征层a的梯度信息a′，接着对a′在特征层上求均值，得到对于类别c而言，a的每个通道的重要程度，最后进行加权求和再relu。进而确定出专业水平分类模型识别的专业水平类别对应的关键特征。[0092]在本发明实施例中的步骤s3中，对lc和输入数据x进行加权求和，得到游戏玩家不同脑区贡献度的脑地形图rc为：[0093]rc＝∑lcx[0094]式中，x为游戏玩家的eeg信号序列。[0095]在本发明实施例中，采用交叉熵损失函数计算专业水平分类模型的损失值，其表达式为：[0096][0097]其中，y′i表示经过softmax计算后的预测值，yi表示实际值。[0098]实施例2：[0099]在本发明实施例中，提供基于上述专业水平分类模型的实验例：[0100](1)模型消融实验[0101]在本实施例中，使用留一交叉验证方法比较分类器模型，具体地，1个受试者的eeg数据用于测试，其他所有受试者数据用于训练分类器，重复该过程直到所有受试者都作为测试对象。考虑到神经网络的随机性，我们重复上述训练过程十次。为了比较bpr-stnet中不同模块的作用，我们首先将第一层卷积层替换成一维卷积，并命名为structurea。然后将模型所有的深度可分离卷积层替换成一维卷积，命名为structureb。最后将模型的残差模块去掉，命名为structurec。表1显示了三种结构在相同参数下训练的结果。从表1中可以看出，替换深度可分离卷积层后准确率为68.95％，去掉残差模块后准确率为82.46％，替换第一层卷积核的情况下准确率与bpr-stnet相差很小，为85.79％，我们提出的bpr-stnet准确率最高，可以达到86.32％。结果显示，残差模块与深度可分离卷积层都对模型效果有一定程度的提高。因此，包含所有结构的bpr-stnet作为我们提出的专业水平分类模型，将用于以下涉及的频段对比实验、模型对比实验和可解释实验。[0102]表1：基于不同结构模型的分类结果[0103][0104](2)不同频段对模型分类结果的影响[0105]不同频段在人类活动的意义不同；例如，较高的θ值代表着注意力的集中程度，并被发现可能是表演赛中专家和新手射手间的区别因素。此外，研究发现δ和γ在愉悦度分类中有用。由于不同频段对游戏任务的影响不同，我们将提取到的五个频段分别作为输入数据输入到模型中对受试者进行分类，结果如表2所示。表2显示，γ准确率最高，为86.32％。γ频段除precision指标低于β频段大约1.28％外，其余指标效果均好于其余四个频段。因此，γ频段可以作为模型的输入来探索游戏专业水平相同的玩家的共有模式。以下相关实验默认使用γ频段作为模型输入[0106]表2：在不同频段作为输入的情况下，模型的分类结果[0107][0108](3)模型分类结果比较[0109]在本实施例中，我们使用了五个基线模型与所提出的模型在我们的数据集上进行比较。表三显示了我们采用相同参数和方法重新测试这些模型的结果。我们用于比较的现有深度学习模型包括st_encoding_cnn,cnn_attention,interpretable_cnn，csf_gtnet,和3d_cnn_lstm，检测结果如表3所示；[0110]表3：专业水平分类模型与其他方法的检测结果比较[0111][0112]上述st_encoding_cnn等深度学习方法对γ频段特征的分类准确率分别为82.24％、83.71％、82.46％、80.53％和84.47％。bpr-stnet总体性能优于上述模型。我们提出的bpr-stnet的检测效果大约比其他方法高2％，达到了86.32％的准确率。这说明我们提出的模型更适合游戏玩家专业水平分类任务，可以更好的提取特征。[0113](4)从脑电信号学习到的特征的解释[0114]本实施例中，分析了专业水平分类模型所学习的特征对游戏玩家专业水平分类的共享，如图3和图4分别展示了一些分类为专业玩家和业余玩家的样本，这些样本都具有被模型正确分类的高可能性。在图四中，当对被模型高概率分类为专业玩家的样本进行分类时，我们观察到模型的权重通常集中在顶叶区和颞叶区，如图3(a),(b)的cp1、p3、p7区域，或图3(c)的cp2、p4、p8区域。顶叶区与注意力控制，感知和行为认知有关，颞叶区涉及记忆与执行功能。这两个脑区在完成一局lol游戏中有不可或缺的作用。在一局lol游戏中，顶叶区在规划和执行决策等方面发挥作用，颞叶区则在记忆和情感处理等方面发挥作用。此外，对于模型权重最大的时间点，我们发现其对应的γ频段脑地形图中，通常包含相对较高的外围eeg通道功率谱值，例如tp9、tp10、fp1、ft9、o1和o2。这种现象可能是的原因是专业玩家的任务强度较高，从而引发了γ频段功率谱值相对较高的现象产生。[0115]从图4中，我们观察到，对于归类为业余玩家的样本，模型的权重分散在不同的位置，但通常顶叶区会有一定比例的贡献度，如图4(a)的cp1,cp5,p3区域，或图4(c)的cp2,cp6区域。对于模型权重最大时间点处的γ频段脑地形图，我们发现γ频段功率谱值很少出现类似于这种在专业玩家中相对较高的现象。在图4(a)中，γ频段功率谱值为极小值。在图4(b)和(c)中，γ频段功率谱值为极大值。这种极端的现象可能是由于业余选手的任务强度较高。在业余选手中，不同被试对当前任务的专注程度不同。努力赢得游戏的业余玩家可能会对任务感到较为困难，导致主观体验相对降低，如图4(c)，专注程度低的业余玩家可能因为自身的影响因素导致γ频段功率谱值过低，如图4(a)。总之，对于γ频段，顶叶区是模型权重占比较高的部分和不同的功率谱值的分布与数值大小也可能是区分游戏玩家专业水平的一个重要因素。[0116]在图5中，我们观察到subject9的模型权重分布于类似于被正确分类的专业玩家，但在权重最大处的γ频段脑地形图中，γ频段功率谱值远低与其他专业玩家。该样本被错误分类的原因可能是极低的γ频段活动干扰了模型的决策。受试者出现这种现象的原因可能是当前lol排位赛的难度与玩家不匹配，导致玩家对游戏任务不投入，从而不能表现出活跃的γ频段。在图6中，我们观察到subject7在γ频段脑地形图中，具有相对较高的外围eeg通道γ频段功率谱值，模型权重也集中顶叶区附近，这显然是专业游戏玩家的特征。[0117]本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。[0118]本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。当前第1页12当前第1页12
技术特征：
1.一种基于bpr-stnet的跨被试游戏玩家专业水平分类方法，其特征在于，包括以下步骤：s1、获取游戏玩家的eeg信号原始数据，并对其进行预处理，构建eeg信号序列；s2、利用训练好的基于bpr-stnet的专业水平分类模型对eeg信号序列进行处理，识别游戏玩家专业水平；s3、基于游戏玩家专业水平，提取对应的关键特征并结合eeg信号序列，确定游戏玩家不同脑区贡献度的脑地形图，实现跨被试游戏玩家专业水平分类。2.根据权利要求1所述的基于bpr-stnet的跨被试游戏玩家专业水平分类方法，其特征在于，所述步骤s1具体为：s11、对eeg信号原始数据依次进行滤波和去伪影处理；s12、对去伪影后的数据采用快速傅里叶变换进行时频分析，提取五个频带的功率谱特征值，并构建eeg信号序列；其中，五个频带包括δ频带、θ频带、α频带、β频带和γ频带。3.根据权利要求1所述的基于bpr-stnet的跨被试游戏玩家专业水平分类方法，其特征在于，所述步骤s2中，基于bpr-stnet的专业水平分类模型包括依次连接的卷积层、平均池化层、第一残差块、第二残差块、第三残差块、第四残差块、全局平均池化层以及全连接层；其中，所述平均池化层和第一残差块、第二残差块和第三残差块以及第四残差块和全局平均池化层之间分别设置有第一累加器、第二累加器和第三累加器，所述第一累加器的输出端还与第二残差块的输出端连接，所述第二累加器的输出端还与所述第三累加器的输入端连接。4.根据权利要求3所述的基于bpr-stnet的跨被试游戏玩家专业水平分类方法，其特征在于，所述第一～第四残差块结构相同，均包括第一逐通道卷积、第一逐点卷积、第二逐通道卷积和第二逐点卷积；其中，所述第一逐通道卷积和第二逐通道卷积均采用c
int
个3*3卷积核提取单个通道上的数据特征并生成对应通道的特征图，所述第一逐点卷积和第二逐点卷积采用c
int
*c
out
个1*1卷积核提取c
int
个通道的数据特征，生成c
out
个特征图；其中，c
int
为输入通道数量，c
out
为输出通道数量。5.根据权利要求3所述的基于bpr-stnet的跨被试游戏玩家专业水平分类方法，其特征在于，所述卷积层使用32个3*3的卷积核将输入的eeg信号序列转换为32个通道对生成同样长度的eeg信号，并通过平均池化层将输入eeg信号长度减半；所述平均池化层的输出表示为：式中，avgpool(
·
)表示平均池化操作，x
k,j
为第k个通道的第j个采样点，表示第i个卷积节点的偏置，为卷积层的卷积核权重参数，下标i为卷积节点计数值，下标k为当卷积核所在通道的计数值，m为eeg通道最大数量，m＝31，n1为卷积节点数，即n1＝32。
6.根据权利要求4所述的基于bpr-stnet的跨被试游戏玩家专业水平分类方法，其特征在于，所述第一～第四残差块的输出表示为：式中，为第t层结构的第k个通道的输出，f(
·
)为深度可分离卷积，h
(t-1)
为第t-1层结构的输出，w为权重，t为专业水平分类模型的结构层数计数值，t＝2,3，4，5对应第一～第四残差块。7.根据权利要求3所述的基于bpr-stnet的跨被试游戏玩家专业水平分类方法，其特征在于，所述全局平均池化层的输出为：式中，为全局平均池化层第k个通道的输出，h(5)为第四残差块的输出，n为输入数据的长度。8.根据权利要求3所述的基于bpr-stnet的跨被试游戏玩家专业水平分类方法，其特征在于，所述全连接层包含线性层和softmax层；所述全连接层的输出为：式中，为该线性层中专业水平类别为c时第i个卷积节点时的权重，为偏置，softmax(
·
)为softmax激活函数，其中，下标c为专业水平类别，当c＝0时表示为业余爱好者，当c＝1时表示为专业玩家。9.根据权利要求3所述的基于bpr-stnet的跨被试游戏玩家专业水平分类方法，其特征在于，所述步骤s3中，利用特征可解释网络提取游戏玩家专业水平对应的关键特征，所述特征可解释网络的解释目标为所述第四残差块中的最后一个卷积层；所述特征可解释网络提取关键特征的公式：式中，l
c
为专业水平类别对应的关键特征，relu(
·
)为relu激活函数，a
k
表示目标层a中第k个通道的数据，为a
k
的权重，为目标层中第k个通道中(i，j)处的采样点数据；其中，yc表示没有经过softmax激活函数对专业水平类别c的预测分数，z表示目标层a的高度与宽度的乘积。10.根据权利要求9所述的基于bpr-stnet的跨被试游戏玩家专业水平分类方法，其特征在于，所述步骤s3中，游戏玩家不同脑区贡献度的脑地形图r
c
为：
r
c
＝∑l
c
x式中，x为游戏玩家的eeg信号序列。

技术总结
本发明公开了一种基于BPR-STNet的跨被试游戏玩家专业水平分类方法，包括：S1、获取游戏玩家的EEG信号原始数据，并对其进行预处理，构建EEG信号序列；S2、利用训练好的基于BPR-STNet的专业水平分类模型对EEG信号序列进行处理，识别游戏玩家专业水平；S3、基于游戏玩家专业水平，提取对应的关键特征并结合EEG信号序列，确定游戏玩家不同脑区贡献度的脑地形图，实现跨被试游戏玩家专业水平分类。本发明提供的专业水平分类模型，可以充分学习EEG信号中的时空特征，得出了γ频段是跨被试水平分类效果，发现专业水平游戏玩家的大脑活动对模型决策影响最大的区域是顶叶区和颞叶区；进而实现准确的跨被试分类。实现准确的跨被试分类。实现准确的跨被试分类。


技术研发人员：郜东瑞 沈艳 王录涛 张永清 林历祺 汪曼青 龚津南 白彬楠 余贞侠
受保护的技术使用者：成都信息工程大学
技术研发日：2023.06.07
技术公布日：2023/9/12